Skip to content
Retour aux résultats

Analyse de centralité — Degré, Intermédiarité, Vecteur propre

Introduite par
Linton C. Freeman
Année
1979
Type
Descriptive / exploratory network measure family

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

L'analyse de centralité est une famille de mesures d'analyse de réseaux, formalisée par Freeman (1979), qui quantifie l'importance structurelle des nœuds individuels au sein d'un graphe.

Chaque indice de centralité capture un mécanisme d'influence distinct : la centralité de degré reflète la connectivité directe, la centralité d'intermédiarité identifie les nœuds qui servent de courroie de transmission au flux d'information, la centralité de proximité capture la proximité avec tous les autres, et la centralité de vecteur propre (ainsi que PageRank) récompense la connexion à des voisins fortement connectés.

L’intuition derrière la méthode

Tous les nœuds d'un réseau n'ont pas la même importance. Une ville par laquelle passent de nombreuses routes est plus critique pour le trafic qu'une ville située au bout d'une impasse, même si ces deux villes ont le même nombre de liens routiers directs. Les mesures de centralité traduisent cette intuition en chiffres. La centralité de degré compte simplement le nombre de voisins d'un nœud. La centralité d'intermédiarité compte la fréquence à laquelle un nœud se trouve sur le chemin le plus court entre toute autre paire, révélant ainsi les « gardiens de but ». La centralité de proximité mesure la rapidité avec laquelle un nœud peut atteindre tous les autres. La centralité de vecteur propre pondère la contribution de chaque voisin par son degré de centralité, de sorte qu'être connecté à des nœuds influents est plus important que le simple nombre. Chaque mesure répond à une question différente sur qui ou quoi est le plus important dans le réseau.

Histoire

Freeman (1979) a fourni la clarification conceptuelle fondamentale du domaine, unifiant trois idées précédemment dispersées — degré, intermédiarité et proximité — sous un cadre théorique unique pour la centralité dans les réseaux sociaux. Borgatti (2005) a étendu le cadre en reliant chaque type de centralité à des modèles spécifiques de flux de réseau, donnant aux mesures un ancrage théorique plus clair. La centralité de vecteur propre avait des racines antérieures dans l'analyse spectrale des matrices et a été opérationnalisée plus tard pour les réseaux ; le PageRank de Google (1998) en est son descendant appliqué le plus connu.

Quand l’utiliser

L'analyse de centralité s'applique chaque fois que des données relationnelles peuvent être représentées sous forme de graphe et que la question concerne quels nœuds sont structurellement les plus importants. Elle est utilisée en analyse de réseaux sociaux, en bibliométrie, en biologie, en transport et en recherche sur les systèmes d'information. Aucune hypothèse de normalité n'est requise, et la méthode convient aux données de réseaux transversales et longitudinales. Le réseau doit être connecté, ou les composantes doivent être analysées séparément, afin que les mesures basées sur les chemins telles que l'intermédiarité et la proximité soient bien définies. Au moins 10 nœuds sont nécessaires pour que les scores soient interprétables, et au moins 20 pour que les classements de centralité soient statistiquement significatifs. Les réseaux pondérés nécessitent une définition de poids théoriquement fondée avant que la centralité ne soit calculée.

Limites et points d’attention

  • La centralité d'intermédiarité a une complexité de calcul O(VE), ce qui la rend coûteuse sur des réseaux très volumineux.
  • Les mesures basées sur les chemins (intermédiarité, proximité) sont indéfinies ou nécessitent un traitement spécial dans les graphes déconnectés.
  • Les scores de centralité sont sensibles au choix de la définition des poids des arêtes dans les réseaux pondérés ; un poids mal choisi fausse chaque indice.
  • Avec moins de 20 nœuds, les mesures manquent de puissance statistique et doivent être considérées comme des descriptions exploratoires plutôt que des résultats inférentiels.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Chaque indice capture un mécanisme distinct d'importance structurelle, donnant un portrait multidimensionnel du réseau.
  • Aucune hypothèse de distribution n'est requise ; la méthode fonctionne sur n'importe quel graphe, quel que soit le type de variable.
  • La centralité de degré et la centralité de vecteur propre s'adaptent efficacement aux très grands graphes ; la centralité de degré est calculée en O(V+E).
  • Largement soutenu dans toutes les disciplines — de la sociologie et de la biologie à l'informatique — ce qui rend les résultats largement communicables.

Applications

  • Identifier les leaders d'opinion clés et les courtiers d'information dans les réseaux sociaux et organisationnels.
  • Cartographier l'influence scientifique en calculant la centralité sur des réseaux de co-auteurs ou de citations.
  • Localiser les nœuds d'infrastructure critiques dans les réseaux de transport, de réseaux électriques et de topologie Internet.
  • Prioriser les cibles de vaccination ou de surveillance dans les réseaux épidémiologiques en identifiant les diffuseurs à forte intermédiarité.
  • Détecter les « gardiens de but » dans les réseaux de chaîne d'approvisionnement et financiers pour évaluer le risque systémique.

Comment ça marche

Comment ça marche

1

Un graphe est assemblé à partir des données relationnelles : les nœuds représentent des entités (personnes, institutions, pages web) et les arêtes représentent les relations ou interactions entre elles. L'analyste décide si les arêtes sont dirigées ou non dirigées et si elles portent des poids. Dans les réseaux dirigés, le degré entrant et le degré sortant sont calculés séparément et interprétés différemment. La validité des scores de centralité dépend entièrement de la fidélité de la structure du graphe en tant que représentation des relations du monde réel à l'étude.

2

L'analyste choisit l'indice de centralité — ou la combinaison d'indices — qui correspond à la question substantielle. La centralité de degré est appropriée lorsque la connectivité brute est d'intérêt. La centralité d'intermédiarité est choisie lorsque l'accent est mis sur le courtage et le contrôle de l'information, au prix d'un effort de calcul plus élevé (O(VE)) sur de grands graphes. La centralité de proximité est significative lorsque le réseau est connecté ou lorsque les composantes sont analysées séparément. La centralité de vecteur propre ou PageRank est sélectionnée lorsque le prestige et l'influence récursive sont importants. Pour les réseaux pondérés, la définition du poids doit être théoriquement significative avant que tout indice ne soit calculé.

3

Chaque indice sélectionné est calculé sur le graphe. La centralité de degré est normalisée en divisant le degré brut par (n-1). La centralité d'intermédiarité compte les chemins les plus courts passant par chaque nœud et est normalisée par le nombre total de paires de nœuds. La centralité de proximité est l'inverse de la distance moyenne du chemin le plus court d'un nœud à tous les nœuds atteignables. La centralité de vecteur propre est résolue comme le vecteur propre principal de la matrice d'adjacence et nécessite une itération jusqu'à convergence. Les nœuds sont classés par chaque score, et la distribution des scores est inspectée pour la concentration.

4

Les scores et classements de centralité résultants sont interprétés dans le contexte substantiel de l'étude. Les nœuds à degré élevé sont des « hubs » bien connectés ; les nœuds à intermédiarité élevée sont des ponts structurels ou des courtiers ; les nœuds à proximité élevée peuvent diffuser l'information rapidement ; les nœuds à vecteur propre élevé sont intégrés dans des voisinages influents. La comparaison de plusieurs indices révèle les nœuds qui se classent bien sur une dimension mais pas sur une autre, ce qui est souvent la découverte la plus intéressante sur le plan théorique. Les réseaux de moins de 20 nœuds donnent des scores de centralité statistiquement faibles et doivent être traités comme purement descriptifs.

Pièges courants

  • Appliquer l'intermédiarité ou la proximité à un graphe déconnecté sans le décomposer d'abord en composantes produit des scores indéfinis ou trompeurs pour les nœuds isolés.
  • Traiter les cinq indices de centralité comme interchangeables — chacun répond à une question différente, et choisir le mauvais indice pour l'hypothèse substantielle est une erreur courante.
  • Ignorer la direction des arêtes dans les réseaux dirigés réduit le degré entrant et le degré sortant à un seul nombre, perdant ainsi des informations sur l'asymétrie des relations.
  • Interpréter les scores de centralité dans des réseaux de moins de 20 nœuds comme s'ils étaient statistiquement robustes — en dessous de ce seuil, les scores sont purement descriptifs et ne doivent pas être utilisés pour tirer des conclusions inférentielles.

Questions fréquentes

Quel indice de centralité devrais-je utiliser ?

Le choix dépend de votre question substantielle. Utilisez la centralité de degré pour identifier les nœuds ayant le plus de connexions directes. Utilisez la centralité d'intermédiarité pour trouver les courtiers qui contrôlent le flux d'information entre les parties du réseau. Utilisez la centralité de proximité pour identifier les nœuds qui peuvent atteindre rapidement tous les autres. Utilisez la centralité de vecteur propre ou PageRank lorsque le prestige des voisins d'un nœud est aussi important que leur nombre. Rapporter deux ou trois indices complémentaires et comparer les classements est généralement plus informatif que de se fier à une seule mesure.

L'analyse de centralité peut-elle être appliquée aux réseaux dirigés ?

Oui. Dans un réseau dirigé, le degré entrant et le degré sortant sont calculés et interprétés séparément : le degré entrant reflète la fréquence à laquelle un nœud est choisi ou cité par d'autres, tandis que le degré sortant reflète combien d'autres il atteint ou référence. L'intermédiarité et la proximité ont également des variantes dirigées. La centralité de vecteur propre sur les graphes dirigés utilise généralement le vecteur propre gauche ou droit dominant, selon que le prestige s'écoule vers ou depuis un nœud.

Quelle est la taille minimale du réseau nécessaire pour des résultats significatifs ?

Le registre statwise spécifie un minimum de 10 nœuds pour tout calcul de centralité, et une interprétation statistique significative nécessite au moins 20 nœuds. En dessous de 20 nœuds, le classement d'une poignée de nœuds ne se généralise pas, et les statistiques descriptives du réseau constituent un choix plus honnête.

Comment gérer un graphe déconnecté ?

Les mesures basées sur les chemins — intermédiarité et proximité — sont indéfinies entre les nœuds de composantes différentes. L'approche standard consiste à analyser chaque composante connexe séparément, ou à restreindre la proximité aux nœuds atteignables et à normaliser en conséquence. La centralité de degré et la centralité de vecteur propre ne nécessitent pas de connectivité et peuvent être calculées sur le graphe complet.

Méthodes associées

Sources

  1. Freeman, L.C. (1979). Centrality in Social Networks: Conceptual Clarification. Social Networks, 1(3), 215-239.

    Ouvrir la référence DOI
    Copié.
  2. Borgatti, S.P. (2005). Centrality and Network Flow. Social Networks, 27(1), 55-71.

    Ouvrir la référence DOI
    Copié.